铝电解作为我国生产原铝最主要的手段，其生产环境恶劣，导致铝电解槽生产故障类型多、对系统及环境危害大，发展铝电解故障诊断技术对提升生产效率与安全性具有重大意义。目前我国的铝电解故障诊断及预测研究仍处于起步阶段，普遍存在目标故障单一、使用特征单一、预测时间短与诊断准确率低等问题。由于工业现场铝电解生产数据通常表现为缺失、质量低等特征，进一步限制了铝电解多故障诊断及预测研究的发展。针对上述问题，本文以铝电解生产过程真实数据为对象，利用信号分解、特征提取和堆叠算法理论方法，从多特征融合、多模型融合等角度，开展面向工业现场铝电解数据缺失的多故障诊断方法研究。
　　为了解决铝电解原始生产数据关键信息缺失、数据质量差等问题，本文针对正常槽况、阳极效应、电压摆三种槽况进行数据选择及归一化处理，并使用线性样条插值法与奇异值阈值法分别对铝电解时序信号与铝电解槽内数据进行补齐，构造完善实验数据集。在此基础上，利用多种信号分解及特征提取方法进行信号处理，以获取铝电解生产数据中蕴含的深层信息，并构造相应分类器。进一步地，将时序特征应用到铝电解故障诊断与预测任务的解决，提出特征混合长短时神经网络(Multi-LSTM)网络结构，使其能同时利用铝电解信号时序特征和铝电解槽内数据特征，以提升铝电解故障诊断与预测的性能。最后，构建了一种基于Stacking策略的多种特征融合铝电解多故障诊断模型，融合基于时序特征、混合熵特征、能量密度特征的三种分类器，实现了多故障关联特征融合，进一步提升诊断准确率与预测性能。
　　实验结果显示，时序特征在铝电解故障诊断任务中效果良好，将多种特征进行融合可以进一步提升铝电解故障诊断及预测的准确率。基于时序特征的Multi-LSTM分类器和基于Stacking策略的多特征融合分类模型在针对三种槽况的实时诊断任务中准确率分别为86.54%和88.48%，在提前10分钟的预测任务中，两者的准确率分别超过了74.38%和79.57%，诊断与预测性能提升明显。